# Problemario
Problemario¶
- **Nombre de los Alumnos:** Angel Dayan Euroza Mera y Ian Donovan Estrada Zuñiga
- **Asignatura:** Matematicas aplicadas a las comunicaciones
- **Fecha de entrega:** 16-septiemnbre-2023
- Nombre de los Alumnos: Angel Dayan Euroza Mera y Ian Donovan Estrada Zuñiga
- Asignatura: Matematicas aplicadas a las comunicaciones
- Fecha de entrega: 16-septiemnbre-2023
# **Temas:**
Temas:¶
- 1.1.- Clasificacion de ecuaciones diferenciales
- 1.2.- Teorema de existencia de unicidad
- 1.3.- Metadatos para resolver ecuaciones diferenciales de primer orden
- 1.1.- Clasificacion de ecuaciones diferenciales
- 1.2.- Teorema de existencia de unicidad
- 1.3.- Metadatos para resolver ecuaciones diferenciales de primer orden
### Seccion 1:
Seccion 1:¶
##### Instrucciones:
Instrucciones:¶
Resuelva las siguientes ecuaciones diferenciales empleando alguno de los método revisados en clase:
Resuelva las siguientes ecuaciones diferenciales empleando alguno de los método revisados en clase:
- Separación de varibles
- Factor Integrante
- Separación de varibles
- Factor Integrante
Evidencia de firma para validar la seccion
Evidencia de firma para validar la seccion
[39]:
from IPython.display import Image
Image(filename="Downloads/foto 1.1.jpeg", width=400, height=400)
[39]:
[5]:
from IPython.display import Image
Image(filename="Downloads/WhatsApp Image 2023-09-16 at 11.14.04 AM.jpeg", width=400, height=400)
[5]:
[20]:
#importando modulos necesarios
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import sympy
from scipy import integrate
from matplotlib import pyplot
# imprimir con notación matemática.
sympy.init_printing(use_latex='mathjax')
## **1.1.-Tipos de ecuaciones diferenciales**
1.1.-Tipos de ecuaciones diferenciales¶
[13]:
from IPython.display import Image
Image(filename="Downloads/WhatsApp Image 2023-09-16 at 11.14.04 AM.jpeg", width=400, height=400)
[13]:
[69]:
from IPython.display import Image
Image(filename="Downloads/Foto 1.10.jpeg", width=400, height=400)
[69]:
[64]:
from IPython.display import Image
Image(filename="Downloads/Foto 1.11.jpeg", width=400, height=400)
[64]:
[65]:
from IPython.display import Image
Image(filename="Downloads/foto 1.12.jpeg", width=400, height=400)
[65]:
[66]:
from IPython.display import Image
Image(filename="Downloads/foto 1.13.jpeg", width=400, height=400)
[66]:
[67]:
from IPython.display import Image
Image(filename="Downloads/foto 1.14.jpeg", width=400, height=400)
[67]:
[17]:
from IPython.display import Image
Image(filename="Downloads/Foto 13.jpeg", width=400, height=400)
[17]:
[18]:
from IPython.display import Image
Image(filename="Downloads/Foto 12.jpeg", width=400, height=400)
[18]:
1.- **d^2y/dx^2 + 5x dy/dx + 7y= e^x*
1.- *d^2y/dx^2 + 5x dy/dx + 7y= e^x
<table>
<tr>
<td>Vi= X</td>
<td>Vd= Y</td>
<td>Orden= 2</td>
<td>Grado= 1</td>
<td>i= ✓ </td>
<td> ii= ✓</td>
</tr>
| Vi= X | Vd= Y | Orden= 2 | Grado= 1 | i= ✓ | ii= ✓ |
- #### Ecuacion diferencial ordinaria de 2do oeden con 1er grado y lineal
Ecuacion diferencial ordinaria de 2do oeden con 1er grado y lineal¶
2.- **d^2y/dw^2 + 5 dz/dw + dm/dn = e^n*
2.- *d^2y/dw^2 + 5 dz/dw + dm/dn = e^n
<table>
<tr>
<td>Vi= W,N</td>
<td>Vd= Y,Z,M</td>
<td>Orden= 2</td>
<td>Grado= 1</td>
<td>i= ☓ </td>
<td> ii= ☓ </td>
</tr>
| Vi= W,N | Vd= Y,Z,M | Orden= 2 | Grado= 1 | i= ☓ | ii= ☓ |
- #### Ecuacion diferencial parcial de 2do orden con 1er grado y no lineal
Ecuacion diferencial parcial de 2do orden con 1er grado y no lineal¶
3.- **d^2y/dt^2 + 5t dy/dt + y=-3t^2*
3.- *d^2y/dt^2 + 5t dy/dt + y=-3t^2
<table>
<tr>
<td>Vi= t</td>
<td>Vd= y </td>
<td>Orden= 2</td>
<td>Grado= 1</td>
<td>i= ✓ </td>
<td> ii= ✓ </td>
</tr>
| Vi= t | Vd= y | Orden= 2 | Grado= 1 | i= ✓ | ii= ✓ |
- #### Ecuacion diferencial ordinaria de 2do orden con 1er grado y lineal
Ecuacion diferencial ordinaria de 2do orden con 1er grado y lineal¶
4.- *d^4m/ds^4 -3d^2m/ds^2 + dm/ds = e^-2s*
4.- d^4m/ds^4 -3d^2m/ds^2 + dm/ds = e^-2s
<table>
<tr>
<td>Vi= s</td>
<td>Vd= m </td>
<td>Orden= 4</td>
<td>Grado= 1</td>
<td>i= ✓ </td>
<td> ii= ✓ </td>
</tr>
| Vi= s | Vd= m | Orden= 4 | Grado= 1 | i= ✓ | ii= ✓ |
- #### Ecuacion diferencial ordinaria de 4to orden con 1er grado, lineal
Ecuacion diferencial ordinaria de 4to orden con 1er grado, lineal¶
[34]:
from IPython.display import Image
Image(filename="Downloads/Foto 2.jpeg", width=400, height=400)
[34]:
[38]:
from IPython.display import Image
Image(filename="Downloads/foto 1.1.jpeg", width=400, height=400)
[38]:
<table>
<tr>
<td>Vi= u,r,k</td>
<td>Vd= v </td>
<td>Orden= 3 </td>
<td>Grado= 1</td>
<td>i= ✗ </td>
<td> ii= ✗ </td>
</tr>
| Vi= u,r,k | Vd= v | Orden= 3 | Grado= 1 | i= ✗ | ii= ✗ |
- #### Ecuacion diferencial ordinaria de 3er orden con 1er grado, no lineal
Ecuacion diferencial ordinaria de 3er orden con 1er grado, no lineal¶
6.- *5xy^5 + 3/x^2 y y^5 -4y= 0*
6.- 5xy^5 + 3/x^2 y y^5 -4y= 0
<table>
<tr>
<td>Vi= x</td>
<td>Vd= y </td>
<td>Orden= 5 </td>
<td>Grado= 1</td>
<td>i= ✗ </td>
<td> ii= ✗ </td>
</tr>
| Vi= x | Vd= y | Orden= 5 | Grado= 1 | i= ✗ | ii= ✗ |
- #### Ecuacion diferencial ordinaria de 5to orden con 1er grado, no lineal
Ecuacion diferencial ordinaria de 5to orden con 1er grado, no lineal¶
7.-(y-x)dx + 4xdy=0
- 1/dx {(y-x)dx + 4xdy=0}
- (y-x) dx/dx + 4x dy/dx=0/dx
- y-x dy/dx=0
- *4x dy/dx + y=x*
7.-(y-x)dx + 4xdy=0
- 1/dx {(y-x)dx + 4xdy=0}
- (y-x) dx/dx + 4x dy/dx=0/dx
- y-x dy/dx=0
- 4x dy/dx + y=x
<table>
<tr>
<td>Vi= x</td>
<td>Vd= y </td>
<td>Orden= 1 </td>
<td>Grado= 1</td>
<td>i= ✓ </td>
<td> ii=✓ </td>
</tr>
| Vi= x | Vd= y | Orden= 1 | Grado= 1 | i= ✓ | ii=✓ |
- #### Ecuacion diferencial ordinaria de 1er orden con 1er grado, lineal
Ecuacion diferencial ordinaria de 1er orden con 1er grado, lineal¶
8.- *d^2y/dx^2 -2^2 dy/dx + y= 0*
8.- d^2y/dx^2 -2^2 dy/dx + y= 0
<table>
<tr>
<td>Vi= x</td>
<td>Vd= y </td>
<td>Orden= 2 </td>
<td>Grado= 1</td>
<td>i= ✓ </td>
<td> ii= ✓ </td>
</tr>
| Vi= x | Vd= y | Orden= 2 | Grado= 1 | i= ✓ | ii= ✓ |
## Variables separables
Variables separables¶
[47]:
from IPython.display import Image
Image(filename="Downloads/foto 1.2.jpeg", width=400, height=400)
[47]:
[ ]:
[50]:
from IPython.display import Image
Image(filename="Downloads/Foto.1.9.jpeg", width=400, height=400)
[50]:
[3]:
from IPython.display import Image
Image(filename="Downloads/foto 10.jpeg", width=400, height=400)
[3]:
[9]:
Selection deleted
from IPython.display import Image
Image(filename="Downloads/Foto 10.jpeg", width=400, height=400)
[9]:
[52]:
from IPython.display import Image
Image(filename="Downloads/Foto 1.4.jpeg", width=400, height=400)
[52]:
[12]:
Selection deleted
from IPython.display import Image
Image(filename="Downloads/Foto 9}.jpeg", width=400, height=400)
[12]:
[54]:
from IPython.display import Image
Image(filename="Downloads/Foto 1.6.jpeg", width=400, height=400)
[54]:
[13]:
from IPython.display import Image
Image(filename="Downloads/Foto 7.jpeg", width=400, height=400)
[13]:
[14]:
from IPython.display import Image
Image(filename="Downloads/Foto 6.jpeg", width=400, height=400)
[14]:
[15]:
from IPython.display import Image
Image(filename="Downloads/Foto 5.jpeg", width=400, height=400)
[15]:
[55]:
from IPython.display import Image
Image(filename="Downloads/Foto.1.9.jpeg", width=400, height=400)
[55]:
[56]:
from IPython.display import Image
Image(filename="Downloads/Foto 1.7.jpeg", width=400, height=400)
[56]:
[19]:
Selection deleted
from IPython.display import Image
Image(filename="Downloads/Foto 4.jpeg", width=400, height=400)
[19]:
[57]:
from IPython.display import Image
Image(filename="Downloads/Foto 1.8.jpeg", width=400, height=400)
[57]:
[25]:
from IPython.display import Image
Image(filename="Downloads/Foto dos.jpeg", width=400, height=400)
[25]:
[22]:
from IPython.display import Image
Image(filename="Downloads/Foto 3.jpeg", width=400, height=400)
[22]:
## Referencias
Referencias¶
[ ]:
Notebook cell shifted up successfully
# **Datos del propietario**
Datos del propietario¶
**Angel Dayan Euroza Mera**
- **22011129**
- **220110129@itsoeh.edu.mx**
<img src= "IMAG.jpeg" width=500 height=500>
- **[Division de la Ingeniería en Tecnologías
de la Información y Comunicaciones.](http://www.itsoeh.edu.mx/front/services.html)**
Angel Dayan Euroza Mera
# **Descripción del Notebook**
Descripción del Notebook¶
Dentro de este Notebook se lleva a cabo el procedimiento para la solucion de problemas (7–13) relacionados a la unidad 1 de la asignatura Probabilidad y estadistica.
Dentro de este Notebook se lleva a cabo el procedimiento para la solucion de problemas (7–13) relacionados a la unidad 1 de la asignatura Probabilidad y estadistica.
# **Contenido**
Contenido¶
[7.*D*eporte.](#7.Deporte.)
[8.*T*ecnología.](#8.Tecnología)
[9.*S*eguridad.](#9.Seguridad)
[10.*D*emografía.](#10.Demografía)
[11.*O*cio y diversión.](#11.Ocioydiversión)
[12.*N*utrición.](#12.Nutrición)
[13.*M*eteorología.](#13.Meteorología)
[1]:
import matplotlib.pyplot as plt
import seaborn as sns
Se entrevistó a 30 personas para que indicaran cuál es su equipo de futbol preferido. Los resultados fueron los siguientes:
<table>
<tr>
<td>Pumas</td>
<td>América</td>
<td>Chivas</td>
<td>Pumas</td>
<td>Chivas</td>
</tr>
<tr>
<td>Chivas</td>
<td>América</td>
<td>Toluca</td>
<td>Toluca</td>
<td>Pumas</td>
</tr>
<tr>
<td>Santos</td>
<td>Necaxa</td>
<td>América</td>
<td>América</td>
<td>América</td>
</tr>
<tr>
<td>Pumas</td>
<td>Santos</td>
<td>Pumas</td>
<td>Pumas</td>
Se entrevistó a 30 personas para que indicaran cuál es su equipo de futbol preferido. Los resultados fueron los siguientes:
| Pumas | América | Chivas | Pumas | Chivas |
| Chivas | América | Toluca | Toluca | Pumas |
| Santos | Necaxa | América | América | América |
| Pumas | Santos | Pumas | Pumas | Pumas |
| América | Chivas | América | Pumas | Necaxa |
| Toluca | Chivas | América | Toluca | Santos |
a. Construye la distribución de frecuencias correspondiente.
<table>
<tr>
<th>Equipos</th>
<th>Fa</th>
<th>Fr</th>
<th>Facum</th>
</tr>
<tr>
<td>America</td>
<td>8</td>
<td>27%</td>
<td>27</td>
</tr>
<tr>
<td>Chivas</td>
<td>5</td>
<td>17%</td>
<td>44</td>
</tr>
<tr>
<td>Necaxa</td>
<td>2</td>
<td>6%</td>
<td>50</td>
</tr>
<tr>
<td>Pumas</td>
<td>8</td>
<td>27%</td>
<td>77</td>
a. Construye la distribución de frecuencias correspondiente.
| Equipos | Fa | Fr | Facum |
|---|---|---|---|
| America | 8 | 27% | 27 |
| Chivas | 5 | 17% | 44 |
| Necaxa | 2 | 6% | 50 |
| Pumas | 8 | 27% | 77 |
| Santos | 3 | 10% | 87 |
| Toluca | 4 | 13% | 100 |
| Total | 30 | 100% | 100 |
b. Construye un diagrama de barras y uno circular.
b. Construye un diagrama de barras y uno circular.
[4]:
valores_y = ["America", "Chivas", "Necaxa", "Pumas", "Santos", "Toluca"]
marcas_y = list(range(len(valores_y)))
anchos = [27, 17, 6, 27, 10, 13]
plt.figure(figsize=(7,7))
plt.barh(
marcas_y,
anchos,
height=0.8,
color=sns.color_palette('deep'),
linewidth=1,
edgecolor='c'
)
plt.gca().invert_yaxis()
plt.yticks(marcas_y, valores_y, fontsize=14)
plt.xticks(fontsize=14)
plt.grid()
plt.title("% personas que prefieren al equipo", fontsize=18)
plt.xlabel("Porcentaje", fontsize=14)
plt.ylabel("Equipos", fontsize=14)
plt.show()
[9]:
plt.title("Apoyo al equipo", fontsize=18)
valores_x = [27, 17, 6, 27, 10, 13]
separacion = [0.1, 0, 0, 0.1, 0, 0]
legends = ["America", "Chivas", "Necaxa", "Pumas", "Santos", "Toluca"]
plt.pie(valores_x, separacion, shadow='False', labels=legends)
plt.legend(legends, loc="center right", bbox_to_anchor=(1, 0, 0.5, 1))
plt.show()
Se preguntó a 30 jóvenes cuántas horas dedicaban cada día a navegar en internet (el tiempo que dedican a sesiones de chat y a las redes sociales quedan incluidos). Los resultados son los siguientes:
<table>
<tr>
<td>2.5</td>
<td>4.5</td>
<td>5.8</td>
<td>2.2</td>
<td>5.7</td>
</tr>
<tr>
<td>5.3</td>
<td>4.0</td>
<td>0.9</td>
<td>2.57</td>
<td>2.3</td>
</tr>
<tr>
<td>3.2</td>
<td>4.9</td>
<td>2.7</td>
<td>3.7</td>
<td>3.8</td>
</tr>
<tr>
<td>4.9</td>
<td>2.8</td>
Se preguntó a 30 jóvenes cuántas horas dedicaban cada día a navegar en internet (el tiempo que dedican a sesiones de chat y a las redes sociales quedan incluidos). Los resultados son los siguientes:
| 2.5 | 4.5 | 5.8 | 2.2 | 5.7 |
| 5.3 | 4.0 | 0.9 | 2.57 | 2.3 |
| 3.2 | 4.9 | 2.7 | 3.7 | 3.8 |
| 4.9 | 2.8 | 3.6 | 4.2 | 3.1 |
| 7.2 | 1.9 | 5.9 | 3.3 | 2.9 |
| 1.1 | 1.7 | 2.6 | 3.1 | 4.4 |
a. ¿Qué tipo de datos se maneja en este problema?
Son datos de tipo agrupado.
b. Construye la distribución de frecuencias correspondiente.
<table>
<tr>
<th>Clase</th>
<th>Limite inferior</th>
<th>Limite superior</th>
<th>Marcas de clase</th>
<th>Fa</th>
<th>Fr</th>
<th>Facum</th>
</tr>
<tr>
<th>1</th>
<td>0.9</td>
<td>1.95</td>
<td>1.425</td>
<td>4</td>
<td>13%</td>
<td>13</td>
</tr>
<tr>
<th>2</th>
<td>1.95</td>
<td>3</td>
<td>2.475</td>
a. ¿Qué tipo de datos se maneja en este problema? Son datos de tipo agrupado.
b. Construye la distribución de frecuencias correspondiente.
| Clase | Limite inferior | Limite superior | Marcas de clase | Fa | Fr | Facum |
|---|---|---|---|---|---|---|
| 1 | 0.9 | 1.95 | 1.425 | 4 | 13% | 13 |
| 2 | 1.95 | 3 | 2.475 | 8 | 27% | 40 |
| 3 | 3 | 4.05 | 3.525 | 8 | 27% | 67 |
| 4 | 4.05 | 5.1 | 4.575 | 5 | 17% | 84 |
| 5 | 5.1 | 6.15 | 5.625 | 4 | 13% | 97 |
| 6 | 6.15 | 7.2 | 6.675 | 1 | 3% | 100 |
c. Traza un histograma y una ojiva.
c. Traza un histograma y una ojiva.
[10]:
valores_x = [1.425, 2.475, 3.525, 4.575, 5.625, 6.675]
marcas_x = list(range(len(valores_x)))
valores_y = [13, 27, 27, 17, 13, 3]
plt.figure(figsize=(7,7))
plt.bar(
marcas_x,
valores_y,
width=1,
color=sns.color_palette(['#e8f3f3', '#bce4bc', '#8dd68d', '#00aaaa', '#2fb92f', '#00aa00']),
linewidth=1,
edgecolor='c'
)
plt.xticks(marcas_x, valores_x, fontsize=14)
plt.yticks(fontsize=14)
plt.grid()
plt.title("Navegación en internet", fontsize=18)
plt.xlabel("Horas dedicadas al internet", fontsize=14)
plt.ylabel("% de personas que dan tiempo a internet", fontsize=14)
plt.show()
[24]:
plt.figure(figsize=(10,6))
valores_x = [0] + [1.425, 2.475, 3.525, 4.575, 5.625, 6.675]
valores_y = [0] + [13, 40, 67, 84, 97, 100]
plt.plot(valores_x,
valores_y,
color='#6035FA',
linewidth=2,linestyle='--',
marker='o', markersize=8,
markerfacecolor='g')
plt.xlabel('Horas dedicadas al internet', fontsize=14)
plt.ylabel('% de personas que dan tiempo a internet', fontsize=14)
plt.title('Navegación en internet', fontsize=18)
plt.grid()
plt.show()
De acuerdo con la Asociación Mexicana de Instituciones de Seguros (amis), en los primeros siete meses del año 2010, 55% de los autos se robaron cuando estaban estacionados, en tanto que 45% restante se hurtaron con violencia. Además, a continuación se muestran los vehículos más robados:
<table>
<tr>
<th>Marca</th>
<th>Tipo</th>
<th># de unidades</th>
</tr>
<tr>
<td>Nissan</td>
<td>Tsuru</td>
<td>7912</td>
</tr>
<tr>
<td>Nissan</td>
<td>Pick Up</td>
<td>2264</td>
</tr>
<tr>
<td>Nissan</td>
<td>Sentra</td>
<td>1370</td>
De acuerdo con la Asociación Mexicana de Instituciones de Seguros (amis), en los primeros siete meses del año 2010, 55% de los autos se robaron cuando estaban estacionados, en tanto que 45% restante se hurtaron con violencia. Además, a continuación se muestran los vehículos más robados:
| Marca | Tipo | # de unidades |
|---|---|---|
| Nissan | Tsuru | 7912 |
| Nissan | Pick Up | 2264 |
| Nissan | Sentra | 1370 |
| Volkswagen | Jetta 4a generación | 1091 |
| Volkswagen | Bora | 1016 |
| General Motors | Pick Up | 873 |
| Ford | Pick Up | 599 |
| Nissan | Estaquitas 35 Ton | 445 |
| Volskwagen | Pointer | 411 |
| Volskwagen | Sedán | 405 |
a. ¿Qué tipo de gráficas recomiendas para mostrar esta información? ¿Por qué?
Creo que los 4 tipos de graficos podrianinterpretar muy bien el tipo de informacion, pero si se nos solicita alguna en especifica como por ejemplo la frecuencia relativa podrian ser mas apropiados el HISTOGRAMA, POLIGONO DE FRECUENCIA y GRAFICO DE PASTEL.
a. ¿Qué tipo de gráficas recomiendas para mostrar esta información? ¿Por qué? Creo que los 4 tipos de graficos podrianinterpretar muy bien el tipo de informacion, pero si se nos solicita alguna en especifica como por ejemplo la frecuencia relativa podrian ser mas apropiados el HISTOGRAMA, POLIGONO DE FRECUENCIA y GRAFICO DE PASTEL.
b. Construye una tabla de frecuencias por tipo de vehículo.
<table>
<tr>
<th>Tipo</th>
<th># de unidades</th>
</tr>
<tr>
<td>Tsuru</td>
<td>7912</td>
</tr>
<tr>
<td>Pick Up</td>
<td>3736</td>
</tr>
<tr>
<td>Sentra</td>
<td>1370</td>
</tr>
<tr>
<td>Jetta 4a generación</td>
<td>1091</td>
</tr>
<tr>
<td>Bora</td>
<td>1016</td>
</tr>
<tr>
<td>Estaquitas 35 Ton</td>
<td>445</td>
</tr>
<tr>
<td>Pointer</td>
b. Construye una tabla de frecuencias por tipo de vehículo.
| Tipo | # de unidades |
|---|---|
| Tsuru | 7912 |
| Pick Up | 3736 |
| Sentra | 1370 |
| Jetta 4a generación | 1091 |
| Bora | 1016 |
| Estaquitas 35 Ton | 445 |
| Pointer | 411 |
| Sedán | 405 |
c. Realiza un diagrama de barras.
c. Realiza un diagrama de barras.
[ ]:
valores_y = ["Tsuru", "Pick Up", "Sentra", "Jetta", "Bora", "Estaquitas", "Pointer", "Sedán"]
marcas_y = list(range(len(valores_y)))
anchos = [7912, 3736, 1370, 1091, 1016, 445, 411, 405]
plt.figure(figsize=(7,7))
plt.barh(
marcas_y,
anchos,
height=0.8,
color=sns.color_palette('husl'),
linewidth=1,
edgecolor='c'
)
plt.gca().invert_yaxis()
plt.yticks(marcas_y, valores_y, fontsize=14)
plt.xticks(fontsize=14)
plt.grid()
plt.title("Vehiculos con mayor indice de robo", fontsize=18)
plt.xlabel("# de unidades", fontsize=14)
plt.ylabel("Tipo", fontsize=14)
plt.show()
d. Construye una tabla de frecuencias por marca de automóvil y, con base en ella, traza un diagrama de barras.
<table>
<tr>
<th>Marca</th>
<th># de unidades</th>
</tr>
<tr>
<td>Nissan</td>
<td>11,991</td>
</tr>
<tr>
<td>Volkswagen</td>
<td>2,993</td>
</tr>
<tr>
<td>General Motors</td>
<td>873</td>
</tr>
<tr>
<td>Ford</td>
<td>599</td>
</tr>
d. Construye una tabla de frecuencias por marca de automóvil y, con base en ella, traza un diagrama de barras.
| Marca | # de unidades |
|---|---|
| Nissan | 11,991 |
| Volkswagen | 2,993 |
| General Motors | 873 |
| Ford | 599 |
e. Realiza un diagrama circular o de pastel.
e. Realiza un diagrama circular o de pastel.
[40]:
plt.figure(figsize=(10,6))
plt.title("Marca de automóvil", fontsize=18)
valores_x = [11991, 2993, 873, 599]
separacion = [0.1, 0, 0, 0]
legends = ["Nissan", "Volkswagen", "General Motors", "Ford"]
plt.pie(valores_x, separacion, shadow='Fasle', labels=legends)
plt.legend(legends, loc="center right", bbox_to_anchor=(1, 0, 0.5, 1)) # NO TOCAR
plt.show()
De los 7.7 millones de habitantes que tiene Suiza, 21% es de origen extranjero. Como ejemplo de su diversidad, en Suiza se hablan cuatro lenguas oficiales. (Tapia y Cortés: 2010).
<table>
<tr>
<th>Idioma</th>
<th># de parlantes</th>
</tr>
<tr>
<td>Alemán</td>
<td>4 920 952</td>
</tr>
<tr>
<td>Francés</td>
<td>1 575 941</td>
</tr>
<tr>
<td>Italiano</td>
<td>494 413</td>
</tr>
<tr>
<td>Otros</td>
<td>695 268</td>
</tr>
<tr>
<td>Romance</td>
<td>38 626</td>
</tr>
De los 7.7 millones de habitantes que tiene Suiza, 21% es de origen extranjero. Como ejemplo de su diversidad, en Suiza se hablan cuatro lenguas oficiales. (Tapia y Cortés: 2010).
| Idioma | # de parlantes |
|---|---|
| Alemán | 4 920 952 |
| Francés | 1 575 941 |
| Italiano | 494 413 |
| Otros | 695 268 |
| Romance | 38 626 |
<table>
<tr>
<th>Idioma</th>
<th># de parlantes</th>
<th>Fr</th>
</tr>
<tr>
<td>Alemán</td>
<td>4 920 952</td>
<td>64%</td>
</tr>
<tr>
<td>Francés</td>
<td>1 575 941</td>
<td>20%</td>
</tr>
<tr>
<td>Italiano</td>
<td>494 413</td>
<td>6%</td>
</tr>
<tr>
<td>Otros</td>
<td>695 268</td>
<td>9%</td>
</tr>
<tr>
<td>Romance</td>
<td>38 626</td>
<td>1%</td>
</tr>
| Idioma | # de parlantes | Fr |
|---|---|---|
| Alemán | 4 920 952 | 64% |
| Francés | 1 575 941 | 20% |
| Italiano | 494 413 | 6% |
| Otros | 695 268 | 9% |
| Romance | 38 626 | 1% |
a. Traza un diagrama de barras y uno circular para representar la información anterior. Escribe un texto breve en el que interpretes los diagramas.
a. Traza un diagrama de barras y uno circular para representar la información anterior. Escribe un texto breve en el que interpretes los diagramas.
[13]:
valores_y = ["Alemán", "Francés", "Italiano", "Otros", "Romance"]
marcas_y = list(range(len(valores_y)))
anchos = [64, 20, 6, 9, 1]
plt.figure(figsize=(7,7))
plt.barh(
marcas_y,
anchos,
height=0.8,
color=sns.color_palette('dark'),
linewidth=1,
edgecolor='c'
)
plt.gca().invert_yaxis()
plt.yticks(marcas_y, valores_y, fontsize=14)
plt.xticks(fontsize=14)
plt.grid()
plt.title("Idiomas hablados suiza", fontsize=18)
plt.xlabel("# de parlantes", fontsize=14)
plt.ylabel("Idioma", fontsize=14)
plt.show()
[87]:
plt.figure(figsize=(10,6))
plt.title("Idiomas hablados suiza", fontsize=18)
valores_x = [64, 20, 6, 9, 1]
separacion = [0.1, 0, 0, 0, 0]
legends = ["Alemán", "Francés", "Italiano", "Otros", "Romance"]
plt.pie(valores_x, separacion, shadow='Fasle', labels=legends)
plt.legend(legends, loc="center right", bbox_to_anchor=(1, 0, 0.5, 1))
# NO TOCAR
plt.show()
De las personas extranjeras que fueron entrevistadas el idioma mas hablado en suiza es el alemán con 4 920 952 de hablantes, también esta el francés con 1 575 941 de hablantes, incluyendo el italiano con 494 413, contando otros idiomas no específicos con 695 268 de hablantes y por último el romance con 38 626 de hablantes.
De las personas extranjeras que fueron entrevistadas el idioma mas hablado en suiza es el alemán con 4 920 952 de hablantes, también esta el francés con 1 575 941 de hablantes, incluyendo el italiano con 494 413, contando otros idiomas no específicos con 695 268 de hablantes y por último el romance con 38 626 de hablantes.
La información siguiente se refiere al número de películas exhibidas en México durante 2007, según el país de procedencia de la película:
<table>
<tr>
<th>Distribución por pais de origen</th>
</tr>
<tr>
<th>Peliculas exhibidas</th>
<td>98, 911</td>
</tr>
<tr>
<th>EUA</th>
<td>74, 085</td>
</tr>
<tr>
<th>Mexico</th>
<td>7, 616</td>
</tr>
<tr>
<th>Otros paises</th>
<td>9, 792</td>
</tr>
<tr>
<th>Coproducion</th>
<td>7, 418</td>
</tr>
La información siguiente se refiere al número de películas exhibidas en México durante 2007, según el país de procedencia de la película:
| Distribución por pais de origen | |
|---|---|
| Peliculas exhibidas | 98, 911 |
| EUA | 74, 085 |
| Mexico | 7, 616 |
| Otros paises | 9, 792 |
| Coproducion | 7, 418 |
<table>
<tr>
<th>Distribución por pais de origen</th>
<th># de películas</th>
<th>Fr</th>
</tr>
<tr>
<th>EUA</th>
<td>74, 085</td>
<td>75%</td>
</tr>
<tr>
<th>Mexico</th>
<td>7, 616</td>
<td>8%</td>
</tr>
<tr>
<th>Otros paises</th>
<td>9, 792</td>
<td>10%</td>
</tr>
<tr>
<th>Coproducion</th>
<td>7, 418</td>
<td>7%</td>
</tr>
<tr>
<th>Peliculas exhibidas</th>
<td>98, 911</td>
<td>100%</td>
</tr>
| Distribución por pais de origen | # de películas | Fr |
|---|---|---|
| EUA | 74, 085 | 75% |
| Mexico | 7, 616 | 8% |
| Otros paises | 9, 792 | 10% |
| Coproducion | 7, 418 | 7% |
| Peliculas exhibidas | 98, 911 | 100% |
a. Realiza un diagrama circular a partir de la información anterior. ¿Cuáles son tus conclusiones?
- Las peliculas estado unidenses son mas consumidas por lo tanto su representacion es mayor que las de méxico y otros países.
- Su representación en el diagrama circular es mas facil de comprender debido a que en el se maneja la frecuencia relativa de estos datos.
a. Realiza un diagrama circular a partir de la información anterior. ¿Cuáles son tus conclusiones?
Las peliculas estado unidenses son mas consumidas por lo tanto su representacion es mayor que las de méxico y otros países.
Su representación en el diagrama circular es mas facil de comprender debido a que en el se maneja la frecuencia relativa de estos datos.
[81]:
plt.title("Películas exhibidas en diferentes países", fontsize=18)
valores_x = [75, 8, 10, 7]
separacion = [0.1, 0.2, 0, 0]
legends = ["EUA", "Mexico", "Otros paises", "Coproduccion"]
plt.pie(valores_x, separacion, shadow='Fasle', labels=legends)
plt.legend(legends, loc="center right", bbox_to_anchor=(1, 0, 0.5, 1)) # NO TOCAR
plt.show()
El número de calorías correspondiente a los alimentos tipo sándwich que se sirven en un negocio de comida rápida se presenta a continuación:
<table>
<tr>
<td>250</td>
<td>790</td>
<td>470</td>
<td>510</td>
<td>500</td>
<td>330</td>
</tr>
<tr>
<td>300</td>
<td>750</td>
<td>580</td>
<td>740</td>
<td>420</td>
<td>260</td>
</tr>
<tr>
<td>440</td>
<td>770</td>
<td>400</td>
<td>540</td>
<td>530</td>
<td>330</td>
</tr>
<tr>
<td>390</td>
El número de calorías correspondiente a los alimentos tipo sándwich que se sirven en un negocio de comida rápida se presenta a continuación:
| 250 | 790 | 470 | 510 | 500 | 330 |
| 300 | 750 | 580 | 740 | 420 | 260 |
| 440 | 770 | 400 | 540 | 530 | 330 |
| 390 | 380 | 340 | 460 | 530 | 260 |
| 410 | 360 | 270 | 510 | 630 | 330 |
<table>
<tr>
<th>Clase</th>
<th>Limite inferior</th>
<th>Limite superior</th>
<th>Marcas de clase</th>
<th>Fa</th>
<th>Fr</th>
<th>Facum</th>
</tr>
<tr>
<th>1</th>
<td>250</td>
<td>340</td>
<td>295</td>
<td>9</td>
<td>30%</td>
<td>30</td>
</tr>
<tr>
<th>2</th>
<td>340</td>
<td>430</td>
<td>385</td>
<td>6</td>
<td>20%</td>
<td>50</td>
</tr>
<tr>
<th>3</th>
<td>430</td>
<td>520</td>
| Clase | Limite inferior | Limite superior | Marcas de clase | Fa | Fr | Facum |
|---|---|---|---|---|---|---|
| 1 | 250 | 340 | 295 | 9 | 30% | 30 |
| 2 | 340 | 430 | 385 | 6 | 20% | 50 |
| 3 | 430 | 520 | 475 | 6 | 20% | 70 |
| 4 | 520 | 610 | 565 | 4 | 13% | 83 |
| 5 | 610 | 700 | 655 | 1 | 4% | 87 |
| 6 | 700 | 790 | 745 | 4 | 13% | 100 |
a. Realiza un histograma usando seis clases. Describe la forma de la distribución de los datos.
La distribucón de los datos es de tipo no agrupado.
a. Realiza un histograma usando seis clases. Describe la forma de la distribución de los datos.
La distribucón de los datos es de tipo no agrupado.
[14]:
valores_x = [295,385, 475, 565, 655, 745]
marcas_x = list(range(len(valores_x)))
valores_y = [30, 20, 20, 13, 4, 13]
plt.figure(figsize=(7,7))
plt.bar(
marcas_x,
valores_y,
width=1,
color=sns.color_palette('hls',12),
linewidth=1,
edgecolor='c'
)
plt.xticks(marcas_x, valores_x, fontsize=14)
plt.yticks(fontsize=14)
plt.grid()
plt.title("Calorías en sandwiches", fontsize=18)
plt.xlabel("Cantidad de calorías", fontsize=14)
plt.ylabel("% de calorías", fontsize=14)
plt.show()
b. Traza una ojiva y expón tus conclusiones.
Puedo concluir que con la ayuda de la ojiva podemos representar la frecuencia absoluta del problema planteado.
b. Traza una ojiva y expón tus conclusiones.
Puedo concluir que con la ayuda de la ojiva podemos representar la frecuencia absoluta del problema planteado.
[75]:
plt.figure(figsize=(10,6))
valores_x = [0] + [1, 2, 3, 4, 5, 6]
valores_y = [0] + [30, 50, 70, 83, 87, 100]
plt.plot(valores_x,
valores_y,
color='#6035FA',
linewidth=2,linestyle='--',
marker='o', markersize=8,
markerfacecolor='g')
plt.xlabel('Cantidad de calorías', fontsize=14)
plt.ylabel('Valores acumulados', fontsize=14)
plt.title('Calorías en sandwiches', fontsize=18)
plt.grid()
plt.show()
Los datos siguientes representan las temperaturas promedio en la República Mexicana durante octubre de 2010.
a) Construye una distribución de frecuencias donde se presenten las frecuencias absolutas y las relativas acumuladas.
<table>
<tr>
<th>Clase</th>
<th>Limite inferior</th>
<th>Limite superior</th>
<th>Marcas de clase</th>
<th>Fa</th>
<th>Fr</th>
<th>Facum</th>
</tr>
<tr>
<th>1</th>
<td>21.6</td>
<td>23.71</td>
<td>22.665</td>
<td>3</td>
<td>10%</td>
<td>10</td>
</tr>
<tr>
<th>2</th>
Los datos siguientes representan las temperaturas promedio en la República Mexicana durante octubre de 2010.
a) Construye una distribución de frecuencias donde se presenten las frecuencias absolutas y las relativas acumuladas.
| Clase | Limite inferior | Limite superior | Marcas de clase | Fa | Fr | Facum |
|---|---|---|---|---|---|---|
| 1 | 21.6 | 23.71 | 22.665 | 3 | 10% | 10 |
| 2 | 23.71 | 25.82 | 24.765 | 1 | 4% | 14 |
| 3 | 25.82 | 27.93 | 26.875 | 8 | 29% | 43 |
| 4 | 27.93 | 30.04 | 28.985 | 7 | 25% | 68 |
| 5 | 30.04 | 32.15 | 31.095 | 4 | 14% | 82 |
| 6 | 32.15 | 34.3 | 33.225 | 5 | 18% | 100 |
b) Traza un histograma y una ojiva. Analízalas
b) Traza un histograma y una ojiva. Analízalas
[15]:
valores_x = [22.665, 24.765, 26.875, 28.985, 31.095, 33.225]
marcas_x = list(range(len(valores_x)))
valores_y = [10, 4, 29, 25, 14, 18]
plt.figure(figsize=(7,7))
plt.bar(
marcas_x,
valores_y,
width=1,
color=sns.color_palette('hls'),
linewidth=1,
edgecolor='c'
)
plt.xticks(marcas_x, valores_x, fontsize=14)
plt.yticks(fontsize=14)
plt.grid()
plt.title("Temperaturas en México", fontsize=18)
plt.xlabel("Cantidad en grados", fontsize=14)
plt.ylabel("% de temperaturas", fontsize=14)
plt.show()
[79]:
plt.figure(figsize=(10,6))
valores_x = [0] + [1, 2, 3, 4, 5, 6]
valores_y = [0] + [10, 14, 43, 68, 82, 100]
plt.plot(valores_x,
valores_y,
color='#6035FA',
linewidth=2,linestyle='--',
marker='o', markersize=8,
markerfacecolor='g')
plt.xlabel('valores principales de temperaturas', fontsize=14)
plt.ylabel('% de temperaturas', fontsize=14)
plt.title('Temperaturas en México', fontsize=18)
plt.grid()
plt.show()
[ ]:
- Untitled1.ipynb
- 2023-Ene-May-PE-T1-2B-22011129 (1).ipynb